多面性：大语言模型的语言回音室 [译]

Quora.com:      48,000
LinkedIn.com:   30,700
Facebook.com:   9,500
Instagram.com:  7,330
Medium.com:     6,250
Reddit.com:     1,370
CourseHero.com: 7,340
jstor.org:      1,320
wikipedia.org:  400
twitter.com:    798
classace.io:    842 (*特别是作为论文库的网站*)
chegg.com:      930 (*特别是作为论文库的网站*)
这个话题非常有趣。
我花了很多时间仔细观察大语言模型（LLM）的输出。有一个现象引起了我的注意：LLM 生成的文本似乎带有一种特殊的…气息。这种气息很难具体描述，但在大语言模型的早期，当你阅读 AI 生成的文章时，通常可以明显地感受到。
一个我注意到的明显特征是这样一种表达方式：

“文化是一个复杂而多面的……”

“智力是复杂而多面的……”

“技术是一个复杂而多面的……”

从达尔文主义的真实含义来看，‘复杂而多面’ 这个短语已经变成了一个流行语。我在 GPT 的输出中反复看到了这个短语，为了进一步确认，我进行了一些 GPT-3.5 的生成实验（代码在此）。在生成“’复杂且……’”的提示时，我发现了以下结果：




‘多面性’ (Multifaceted) 这个词语的频繁出现非常奇怪。这是为什么呢？
为了探究这个短语及其特定词语*’多面性’* 是否是近期变得流行，或者已有一段历史，我首先查看了 Google 趋势。我发现，在过去的一年中，这个词的搜索量出现了惊人的上升：




为了探究这个短语及其特定词语*’多面性’* 是否是近期变得流行，或者已有一段历史，我首先查阅了 Google 趋势。结果我发现，在过去的一年中，这个词的搜索量急剧上升：




我此时想探究的是，这个趋势是否仅限于网络。虽然这很难确定，但我尝试了 Google Books 的 N-gram 查看器，希望能找到答案。果然如我所料，我们并没有看到明显的变化点，尽管随时间有轻微上升。
稍微岔开一下话题：我认为这是一个有点奇怪的说法。它其实是种重复，因为“复杂”和“多面性”几乎是同义的。这让我想到了法律中的双重表达，比如“无效与作废”和“停止与禁止”。不过，这种表达方式确实很好，给人一种肯定和智慧的感觉，这正是大语言模型（LLM）想要传达的氛围。
总之，我想进一步确认这确实是一种网络上新兴的流行表达。单凭 Google 趋势还不够说服人。因此，我寻找了其他可以查询长期语言趋势的地方。我发现网络档案馆保存了多年来的各种 PDF，从白皮书到网络上的参考资料，还可以搜索特定关键词。
我从 2006 年到 2022 年进行了一系列关键词搜索，包括“多面性”。同时，我也关注了另一个流行词汇“复杂”。为了保持科学的严谨性，我还将这些词与其他术语作为对照进行了比较。




正如我们所见，从 2021 年开始，即大约在 GPT 和其他大语言模型 (LLM) 开始引起全球关注的时候，我们的关键词“多面性”的普及程度显著提高，从只在 0.05% 的 PDF 中出现增加到了 0.23%。
现在，让我们稍微放宽视角来看这个问题。我发现，“复杂而多面”（a complex and multifaceted）这个短语在网上大约有 800,000 个使用实例。
进一步细分，我们发现这个短语在以下一些特定网站上的使用频率高于其他地方：
令人惊讶的是，Quora 网站占据了这个短语在线出现次数的 5.7%！如果说它不是这个流行语的起源地，那至少也是它的繁殖地。
值得注意的是，我们还可以看到 Quora 在理论上 应该 占据的比例。例如，“系统性”（systemic）这个词在网上出现了 445 million 次，但在 Quora 上只出现了 272,000 次，占比仅为 0.06%。因此，Quora 对我们这个流行短语的 5.7% 占比完全是不成比例的。这一点并不令人意外，因为 Quora 因其垃圾信息机器人而闻名。它们现在就像是机械地重复着同样的句式：




另一个不容忽视的事实是，Quora 最近在几乎每个页面上都嵌入了一个 ChatGPT 小组件，这些小组件的内容是预先生成的、静态的，容易被搜索引擎抓取。因此，它们很可能被用作这种大语言模型和其他模型的额外训练材料。




ChatGPT 显然对“一个复杂而多面的[概念 | 理论 | 过程]”这个表达格外偏爱，频繁地用它来阐释复杂的高层次概念。最典型的用法是把某个[名词]描述为“一个复杂而多面的[概念 | 理论 | 过程]”。在 Quora 上，这样的用法及其数量如下：

“一个复杂而多面的概念” – 4590

“一个复杂而多面的问题” – 4420

“一个复杂而多面的过程” – 3550

“一个复杂而多面的现象” – 2230

“一个复杂而多面的情感” – 1650

“一个复杂而多面的特征” – 1560


（这些数字在不同地区有所不同）
如果我们选择其中一个短语，在网络上进行普遍搜索，我们会发现它们随着时间显著增长。例如，“一个复杂而多面的现象”在网上的出现次数达到 74,900，但在 2010 年前仅有 73 次。仅仅 13 年，增长了约 1000 倍。
可以看出，ChatGPT 把这个梗玩得不亦乐乎。这个有趣的大语言模型（LLM）把这个表达当成了我们语言的核心成分，尽管它原本只是个使用范围狭窄、有些生硬的短语。

那么，这个荒诞的探索究竟告诉我们了什么？
我们了解到，GPT 最初版本的训练资料大量来自于 Reddit，很可能还有其他少数网站被用来加强后续模型。
过分专注于特定网站的训练会导致明显的偏见。比如，过多关注学术内容或像 Quora 这样的网站，这些网站上的机器人会机械性地重复使用某些短语（这种情况甚至出现在大语言模型时代之前）。
此外，随着这些模型变得流行，人们开始将其输出内容重新发布到互联网上。这可能导致了一种反馈循环：大语言模型无意中在训练自己之前的输出内容。这种情况不可避免。
因此，最初的一些细微的训练决策，可能就由少数工程师启动了一连串不可逆转的语言进化链条。了解这些模型在改变语言本质方面的强大影响力，真是让人叹为观止。